NFT-лицо данных: исследование интеграции Web3 и ИИ
В последнее время проект по созданию NFT на основе лицевых данных привлек широкое внимание. Этот проект позволяет пользователям через мобильное приложение создавать NFT на основе своих лицевых данных, и с момента запуска он уже привлек более 200000 пользователей. За этим явлением скрываются глубокие технологические инновации и исследование сценариев применения.
Постоянные вызовы распознавания человеком и машиной
Распознавание человеком и машиной всегда было ключевой проблемой в мире Интернета. Согласно данным, в первом квартале 2024 года злонамеренный трафик ботов составил 27,5% от общего трафика Интернета. Эти автоматизированные программы не только влияют на пользовательский опыт, но также могут нанести серьезный ущерб поставщикам услуг.
В среде Web2 различные методы, такие как капча и подтверждение личности, используются для различения людей и машин. Однако с быстрым развитием технологий ИИ традиционные методы проверки сталкиваются с новыми вызовами. Методы проверки вынуждены постепенно переходить от обнаружения поведенческих характеристик к распознаванию биометрических признаков.
В области Web3 также существует потребность в распознавании лиц, особенно для предотвращения атак ведьм и защиты операций с высоким уровнем риска. Однако как реализовать эффективное распознавание лиц в децентрализованной среде, при этом защищая конфиденциальность пользователей, становится сложной технической задачей.
Инновационные попытки сети вычислений с соблюдением конфиденциальности
Для решения задач применения ИИ в среде Web3 одна компания создала сеть приватного ИИ на основе технологии полностью однородного шифрования (FHE). Эта сеть, оптимизируя упаковку, адаптировала технологию FHE к сценариям машинного обучения, обеспечив вычислительное ускорение в тысячу раз по сравнению с базовыми решениями.
Эта сеть включает четыре типа ролей: владельцы данных, вычислительные узлы, декодеры и получатели результатов. Основной рабочий процесс охватывает весь процесс от регистрации пользователей, подачи задач до проверки результатов, что обеспечивает конфиденциальность и безопасность данных на протяжении всего процесса обработки.
Сеть использует двойной механизм PoW и PoS для управления узлами и распределения вознаграждений. Пользователи могут участвовать в вычислениях сети и получать прибыль, покупая определенные NFT, а также увеличивать множитель прибыли, ставя токены. Эта схема использует реальные рабочие результаты и балансирует распределение экономических ресурсов.
Преимущества и ограничения технологии FHE
Полностью однородное шифрование (FHE) как новая криптографическая технология демонстрирует огромный потенциал в области вычислений с защитой конфиденциальности. В отличие от доказательства нулевого разглашения (ZKP) и безопасных многопартийных вычислений (SMC), FHE более подходит для сложных вычислительных сценариев, требующих защиты конфиденциальности данных.
Однако FHE также сталкивается с проблемами вычислительной эффективности. Несмотря на некоторые достижения в области оптимизации алгоритмов и аппаратного ускорения в последние годы, производительность FHE все еще значительно отстает от вычислений с открытым текстом.
Будущие перспективы
С развитием технологий и расширением областей применения сети вычислений с защитой конфиденциальности на основе FHE ожидается, что она будет играть важную роль в большем количестве областей. Эта попытка глубокого слияния Web3 и ИИ не только предоставляет пользователям безопасную среду для обработки данных, но и открывает новые возможности для будущих приложений ИИ, защищающих конфиденциальность.
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
14 Лайков
Награда
14
5
Поделиться
комментарий
0/400
WarmLightLin
· 5ч назад
Шумный старый лес
Посмотреть ОригиналОтветить0
RugpullAlertOfficer
· 7ч назад
Литье лица? Скорее похоже на разыгрывание людей как лохов.
Посмотреть ОригиналОтветить0
OldLeekMaster
· 7ч назад
NFT ажиотаж снова здесь?
Посмотреть ОригиналОтветить0
UnluckyMiner
· 7ч назад
Интересно, дело дошло до лиц.
Посмотреть ОригиналОтветить0
ClassicDumpster
· 8ч назад
Неудачники могут быть так разыграны как лохи? Жестко.
NFT лица и приватность ИИ: инновационная практика слияния ИИ и Web3
NFT-лицо данных: исследование интеграции Web3 и ИИ
В последнее время проект по созданию NFT на основе лицевых данных привлек широкое внимание. Этот проект позволяет пользователям через мобильное приложение создавать NFT на основе своих лицевых данных, и с момента запуска он уже привлек более 200000 пользователей. За этим явлением скрываются глубокие технологические инновации и исследование сценариев применения.
Постоянные вызовы распознавания человеком и машиной
Распознавание человеком и машиной всегда было ключевой проблемой в мире Интернета. Согласно данным, в первом квартале 2024 года злонамеренный трафик ботов составил 27,5% от общего трафика Интернета. Эти автоматизированные программы не только влияют на пользовательский опыт, но также могут нанести серьезный ущерб поставщикам услуг.
В среде Web2 различные методы, такие как капча и подтверждение личности, используются для различения людей и машин. Однако с быстрым развитием технологий ИИ традиционные методы проверки сталкиваются с новыми вызовами. Методы проверки вынуждены постепенно переходить от обнаружения поведенческих характеристик к распознаванию биометрических признаков.
В области Web3 также существует потребность в распознавании лиц, особенно для предотвращения атак ведьм и защиты операций с высоким уровнем риска. Однако как реализовать эффективное распознавание лиц в децентрализованной среде, при этом защищая конфиденциальность пользователей, становится сложной технической задачей.
Инновационные попытки сети вычислений с соблюдением конфиденциальности
Для решения задач применения ИИ в среде Web3 одна компания создала сеть приватного ИИ на основе технологии полностью однородного шифрования (FHE). Эта сеть, оптимизируя упаковку, адаптировала технологию FHE к сценариям машинного обучения, обеспечив вычислительное ускорение в тысячу раз по сравнению с базовыми решениями.
Эта сеть включает четыре типа ролей: владельцы данных, вычислительные узлы, декодеры и получатели результатов. Основной рабочий процесс охватывает весь процесс от регистрации пользователей, подачи задач до проверки результатов, что обеспечивает конфиденциальность и безопасность данных на протяжении всего процесса обработки.
Сеть использует двойной механизм PoW и PoS для управления узлами и распределения вознаграждений. Пользователи могут участвовать в вычислениях сети и получать прибыль, покупая определенные NFT, а также увеличивать множитель прибыли, ставя токены. Эта схема использует реальные рабочие результаты и балансирует распределение экономических ресурсов.
Преимущества и ограничения технологии FHE
Полностью однородное шифрование (FHE) как новая криптографическая технология демонстрирует огромный потенциал в области вычислений с защитой конфиденциальности. В отличие от доказательства нулевого разглашения (ZKP) и безопасных многопартийных вычислений (SMC), FHE более подходит для сложных вычислительных сценариев, требующих защиты конфиденциальности данных.
Однако FHE также сталкивается с проблемами вычислительной эффективности. Несмотря на некоторые достижения в области оптимизации алгоритмов и аппаратного ускорения в последние годы, производительность FHE все еще значительно отстает от вычислений с открытым текстом.
Будущие перспективы
С развитием технологий и расширением областей применения сети вычислений с защитой конфиденциальности на основе FHE ожидается, что она будет играть важную роль в большем количестве областей. Эта попытка глубокого слияния Web3 и ИИ не только предоставляет пользователям безопасную среду для обработки данных, но и открывает новые возможности для будущих приложений ИИ, защищающих конфиденциальность.